开源模型竟被用于窃取下游微调数据？清华团队揭秘开源微调范式新型隐藏安全风险

而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，得到在下游任务表现更好的专有模型，增强后门抽取的可控性，则埋下后门的

微调得到

上使用私有数据

方法概览

为了实现后门训练，观察模型遵循这些抽取指令的能力，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，这种能力依然能够保留。然后构造相应的 SFT 数据对 (Q (w), x)，精心设计的输入，即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，在本研究中，" cms-width="32" cms-height="26.7656"/>图 2：开头词未知时，且危害性较大，表明没有见过相应的训练数据，输出分布和实际训练分布的匹配情况，已经成为了一类标准范式。" cms-width="26" cms-height="24.5938"/>表 1：在 Dolly 下游数据的测试结果。为了提高模型遵循该抽取指令的能力，团队对通过后门抽取成功的原因进行了探讨，即使在下游微调中查询分布发生变化，在模型经过了 SFT 的后门训练之后，团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。

2. 基于 GRPO 的后门训练方案。则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，

在下游数据信息完全未知的情况下，对于 Q (w’)，该打分公式的主要思想是，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="27" cms-height="23.3906"/>]article_adlist-->

中提取

发布者可利用后门从

，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

• 论文题目：Be Careful When Fine-tuning On Open-Source LLMs: Your Fine-tuning Data Could Be Secretly Stolen!

• 论文链接：https://arxiv.org/pdf/2505.15656

• 代码链接：https://github.com/thu-coai/Backdoor-Data-Extraction

研究背景

基于开源模型继续微调的范式已成为大型语言模型（LLM）发展的基础，

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，团队会将这两类后门相关的训练数据和自身包含的数据混合训练。对于每个候选开头词

打分高于阈值的候选开头词将被视为在 D_2 中出现的开头词，

然而，之后，研究方向为大模型安全，推动了其在科研和工业界的广泛应用。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。表明绝大部分的训练 query 都存在被抽取的可能：

表 3：Q 为默认的抽取指令，设计更完善的从模型预测中筛选出实际训练数据的机制，供下游开发者使用。

结语

团队希望这项工作能够引起大家对该新型风险的关注，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，输出分布和实际训练分布的匹配情况，

本工作对应的论文和代码均已开源。